突破次元壁！新加坡国立发布GenXD：拿捏真实感3D、4D动态场景

【新智元导读】GenXD模型结合CamVid-30K数据集突破了3D和4D场景生成的挑战，能从单张图片生成逼真的动态3D和4D场景。这一进展为虚拟世界构建带来新的可能性，让动态场景的生成更加快速和真实。

在我们熟知的2D图像和视频生成技术蓬勃发展之际，3D和4D的世界依然是前沿科技的「无人区」。

面对真实场景中复杂的物体运动和视角变化，3D、4D生成一直面临数据和模型设计的双重瓶颈。然而，一项令人振奋的突破即将改变这一现状！

近日，新加坡国立大学（NUS）的研究人员提出了一种全新的生成框架——GenXD，不但能生成极具真实感的3D场景，还实现了从相机视角和物体图片中「生长」出逼真的4D动态场景。

项目主页： https://gen-x-d.github.io/

论文链接： https://arxiv.org/abs/2411.02319

代码链接： https://github.com/HeliosZhao/GenXD

GenXD能够实现单图片静态虚拟物体和场景的生成，实现高质量的3D内容创作：

GenXD也能够实现稀疏图片场景的重建，作为先验完善3D重建任务：

GenXD可以实现单图4D生成，生成任意时刻以及任意视角：

GenXD也能够助力视频插帧和可控视频生成，使用多图和相机路径作为控制信号：

CamVid-30K 4D数据构建

图1 数据标注

在动态3D任务的发展中，缺乏大规模4D场景数据一直是一个关键瓶颈。这不仅影响到4D生成、动态相机姿态估计等任务，也限制了可控视频生成等应用的进展。

为了解决这一难题，研究团队推出了一个高质量4D数据集——CamVid-30K，为未来的动态3D任务奠定了坚实基础。

CamVid-30K数据集的创建过程包括了一系列精细的步骤。首先，研究人员使用基于运动恢复结构（SfM）的方法来估计相机姿态。

SfM通过从多张图像的投影中重建3D结构，其中包括特征检测与提取、特征匹配、3D重建与相机姿态估计等关键步骤。

为了确保准确性，特征匹配仅限于静态场景部分，以避免动态物体误导相机的运动估计。

与之前方法不同的是，CamVid-30K使用了一种实例分割模型，将所有可能移动的像素进行分割。

相比早期的运动分割模块，该实例分割方法具备更强的泛化能力，特别是在复杂场景下更为适用。随后，利用改进的Particle-SfM对静态背景进行处理，最终生成精准的相机姿态和稀疏点云信息。

为进一步筛选出真正的动态场景，CamVid-30K还引入了运动强度指标来识别物体的真实运动。通过对齐深度投影，将动态物体在3D空间中进行重投影，以便检测位移，确保所包含的场景具有丰富的动态细节。这一过程确保了CamVid-30K不仅包含相机的运动信息，还捕捉到了物体本身的运动，使其成为高质量的4D数据资源。

模型架构

图2 整体框架

为了实现更自然的3D和4D场景生成，GenXD使用隐变量扩散模型（LDM），生成出符合相机视角和时间序列的场景图像。此外，GenXD提出多视角-时间层，将3D和时间信息有效解耦和融合。

对于相机视角信息，GenXD使用每个视角下的Plucker Ray作为控制信号。而对于单张或多张图像信息，GenXD使用掩码隐变量条件（mask latent conditioning）方式利用图像信息。

该方法在图像条件输入时具有三大优势：首先，无需对模型参数进行修改，便可以支持任意视角输入；其次，在多视图生成或视频生成过程中，无需固定条件帧的位置，确保了更大的灵活性；最后，省去了额外的条件嵌入，从而减少了模型参数量。这种设计不仅使得GenXD更高效，还可以处理复杂的多视角输入场景。

为了实现3D和4D的生成，GenXD引入了多视角-时间模块，分别对多视角信息和时间信息进行建模。通过设计多视角层与时间层，GenXD可以在3D生成时忽略时间信息，而在4D生成时引入多视角与时间信息的融合。

此外，模型采用了alpha融合策略，利用一个可学习的融合权重来控制4D生成的多视角和时间信息融合效果，从而实现更精准的动态场景生成。

此外，为了解决运动控制的问题，GenXD将CamVid-30K数据集中提供的运动强度引入多视角-时间ResBlock中。这样，模型可以准确地表达物体运动，从而在生成的场景中体现更自然的动态效果。

实验结果

GenXD在单视角4D生成，相机控制的视频生成，单视角3D生成以及少视角3D重建任务上均可用，并取得了很好的效果。

单视角4D生成

表1 单视角4D生成

对于单视角4D生成，GenXD首先生成4D视频，然后使用生成的视频优化4D高斯泼溅网络因此，与过去基于SDS的方法相比，GenXD有更快的优化速度，也有更好的效果。

相机控制的视频生成

表2 相机控制的视频生成

GenXD也与过去相机控制的运动生成方法进行了比较，过去的方法只能使用单张图片作为条件，无法实现视频插帧的功能。但单图条件下，GenXD超越过去的方法， 若使用多图作为条件，GenXD的效果可以得到更大的提升。

单视角3D生成

表3 单视角3D生成

图3 单视角3D生成

GenXD也在3D合成物体生成任务上进行了评估。在此任务上，GenXD首先生成360度视频，并利用此视频优化3D高斯泼溅网络。过去的方法在合成物体3D数据集上单独训练，而GenXD使用了不同分布的真实数据和4D数据。即使如此，GenXD也与过去的方法有相近的效果。此外，从可视化结果来看，GenXD没有过去方法常见的过度平滑和过度饱和问题。

少视角3D重建

表4 少视角3D重建

图4 少视角3D重建

GenXD可以使用多张图片作为条件，生成尺度一致的3D内容。因此，GenXD可以将生成的图片作为补充，提升少视角3D重建的效果。在此项目中，GenXD与两个重建网络（ZipNeRF和3DGS）相结合，极大地提升重建的效果。

运动控制

图5 运动控制

数据标注管线中提出了运动强度的概念，并且被引入到多视角-时间ResBlock里进行运动控制。图5可视化了运动控制的效果。使用同样的图片和相机条件，增大运动强度可以提高物体运动的速度，从而实现可控生成。

总结

GenXD模型和CamVid-30K数据集为3D和4D生成领域带来了全新突破。通过设计多视角-时间模块并引入掩码隐变量条件，GenXD不仅能够解耦相机和物体的运动，还可以支持任意数量的条件视图输入。

GenXD展示了在各类应用中的强大适应性，且在多项任务中达到了与现有方法相当或更优的表现。这一成果为未来的3D和4D生成任务奠定了坚实的基础，预示着虚拟世界构建与动态场景生成的无限可能。

参考资料：

https://gen-x-d.github.io/